股票深度回测（Stock Deep Backtest）· v0.0.0

回测之后的事：量化定位策略为什么有效/失效、最终在哪儿赚钱、能否用入场因子筛选改善。 依赖 QuantAll（全A解析）MCP；与 strategy_backtest 的分工：它跑回测，本技能做诊断。

1. 核心认知（先读）

1. strategy_backtest 自带图层，评估回测时不要新建图层（制作人确认）：
   • view=summary 图层 = 回测持仓（每只股票一个散点）、权重自动 = 个股总收益 → 直接 group_by_* 分组即得"策略最终在哪类股票赚钱"。
   • group_by_time 在此图层不适用（回测曲线全部从同一时间起点绘制、无真实逐日坐标）；时间维度用 segments 图层或 timeline_analysis.py。
2. 两种图层口径：回测图层（股票级，权重=个股总收益）回答"在哪儿赚钱"；买点图层（new_layer_from_code(buy) 重建，散点=买点）回答"每个信号质量如何"（此时三分组工具全可用）。
3. segments 图层（view=segments）：每个持仓片段一条曲线，权重=片段收益（引擎称"卖价除买价"）、X 轴按时间平移（等价 get_time_id()）、group_by_time 可用。核心用途：入场因子归因（move_by_code 设 X/Y=入场点因子值 → 看片段收益分位差异 → select 筛选改善）。
4. 排名口径铁律：因子值筛选必须用每日截面排名（sub.groupby("entry")["fv"].rank(pct=True)），禁用全局排名（牛市时段全体同涨会虚增改善量、甚至反转方向，实测约 40% 虚增）。报告须双口径对照 + 附时间分布（筛选占比季度均值≈0.3 为均匀）。
5. 口径对照铁律：summary（逐笔截面均值）与本地连续复利组合净值对事件驱动策略可能符号相反（D7）——报告结论前务必两口径对照，反转策略是"假有效"典型。
6. 矩阵方向：run_codes 返回 time×stock（index=时间，columns=股票）；聚合跨股票用 axis=1，跨时间用 axis=0。

2. 触发边界

3. 固定调用指令（tasks/*.json，run_task_file 直接执行）

依赖图层状态：回测类 JSON 自带建图层；分组/平移类 JSON 依赖已存在的图层（先跑对应回测 JSON）。

用法：run_task_file(task_file="<绝对路径>/tasks/backtest_summary.json")。换策略/因子只需改 JSON 里的 code 字段。JSON 表达 None 用 null；group_by_attrs 必须传 k=1.0（k=null 会塌缩成单桶，引擎 bug，见 §7）。

⚠️ run_task_file 白名单限制：经实测，run_task_file 仅支持 tool_name ∈ {strategy_backtest, move_by_code, weight_by_code, select_by_code, new_layer_from_code, factor_analysis, heat_map, group_by_attrs, group_by_code, batch_weight, batch_select, batch_factor_analysis, batch_factor_corr, available_data, get_user_selection, execute_python_script}——不含 group_by_time。凡 group_time 的调用请直接 MCP 调用（已向制作人提 P2 补白名单）。已实测可用：summary/segments 回测、行业/市值/交易所分组、单因子与组合排序平移，全部经 run_task_file 验证通过（2026-08-30）。

4. 四个回测视角（能干嘛）

4.1 summary → 成绩单 + 回测图层直接分组（评估回测首选）

strategy_backtest(view="summary") → 图层=股票级散点、权重=个股总收益
→ group_industry.json / group_mcap.json / group_exchange.json（tasks）

• 已验证（金叉 MA5/20，5590 只）：盈利比率 53.27%、年化均值 +9.99%、夏普 0.231；行业最好 玻璃 +209%/半导体 +87%，最差 白酒 −34%；市值档 1→10 收益倍数 1.43→1.20 单调递减（强小盘暴露）。
• 判读：某组显著优 → 该风格是收益来源；小盘≫大盘 → 规模暴露；行业差异大 → 行业集中风险。

4.2 detail → 个股横截面归因（D8，detail_ic_analysis.py）

返回每只股票 7 个标量（总收益/年化/回撤/夏普/胜率/盈亏比/基准），不是曲线——当横截面标签向量做归因：收益分布画像 / 因子 IC（Pearson+Spearman）/ 行业分组 / 市值档 / 极端股 Top1%。

• 已验证（金叉）：波动率 vol60 相关最强（spearman +0.383）= 高波动股赚更多；市值 −0.104（弱小盘）。
• 用法：python scripts/detail_ic_analysis.py [detail结果txt路径]。

4.3 segments → 持仓片段 + 入场因子归因（D3 核心）

绘制每个持仓片段（权重=卖价除买价，X=时间）。分析路线（制作人早期构想，逐步实现）：

1. 单因子：move_factor_y.json（或 x）排序开启（与 IC 同口径）；不考虑时间→x 方向，考虑时间→y 方向（X 保持时间）。
2. 双因子：X=因子A、Y=因子B → 热力图交互矩阵。
3. 三因子：X/Y 两因子 + select_by_code(code="row_rank(<因子C>)>0.7")。
4. 多因子：batch_select(code_dict={...}, mode="independent_summary"/"intersect"/"union")。

• 批量精确归因：segment_screen_eval.py（矩阵级，制作人指定算法：cum.where(buy/sell) + bfill 算买点片段收益；70s/50 因子）与 segment_combo_eval.py（双因子 intersect / rank 融合 / 多因子贪心叠加）。
• 已验证（金叉，全局片段收益 1.38%，截面排名口径）：单因子改善最好 GTJA_Alpha70 +0.64pp；双因子 intersect 最优 +1.25pp；贪心 5 因子 +1.53pp（片段收益→2.91%）；时间分布均匀（无聚集）。

4.4 timeline → 时序净值 / 择时 / 选股能力（D4，timeline_analysis.py）

返回每日表（收益%/收益排序/持仓/买卖点数），引擎只绘制不支持分析——脚本本地重建：净值（连续复利年化/夏普/回撤）、收益排序分位（选股 alpha 代理）、择时检验（持仓比 vs 未来收益）、交易活跃度、时段分解、极端日画像。

• 已验证（金叉，450 日）：连续复利年化 +51.7%（vs summary 逐笔 +9.99%，两口径差异巨大但方向一致）；排序分位 0.499≈0.5（无选股 alpha）；择时 r≈0（不择时）；2025Q3 贡献全期 78%（局部有效）。
• 用法：python scripts/timeline_analysis.py [MCP timeline 落盘txt]。

5. 深度分析脚本（scripts/）

• 通用：run_codes 一次拉多矩阵（hold/ret/因子…）+ duckdb 读 stock_basic；日收益先 1%/99% 截尾防停牌缺口极端值；scripts/factor-screen-final-50.xlsx 为 50 个清洗因子参考库（name/code/IR）。
• 停牌限制：矩阵算法（bfill）在片段中途停牌处会断裂拆段——全市场停牌率<2% 结果仍有借鉴；严谨验证走全A解析 MCP（引擎自动处理停牌）。

6. 诊断维度（D1~D8，每次诊断过一遍）

7. 关键坑（AI 必读）

1. group_by_attrs 必须传 k=1.0：k=null 会把分组轴塌缩成单桶（引擎 bug）；直接 MCP 与 run_task_file 行为一致。
2. group_by_code 需代码末尾自行 row_rank()（无参数控制）；move_by_code 用 to_percentile=true + optimized_display=true（绘图优化）。
3. 热力图细分上限 1 万（X 细分数 × Y 细分数 ≤ 10000）；group_by_time(449 桶) 后叠多属性层级易超限，须在干净图层上跑。
4. 分组调用同轴互斥：每次调用替换当前轴设置（不叠加）；X/Y 两轴独立可同时保留。
5. 大结果自动落盘：group_by_time(449桶)/detail(5590×7) 超 15 万字符时 MCP 报 token 超限并落盘到 tool-results/*.txt——不是失败，用 json.load 解析即可。
6. 数值字段不能进 group_by_attrs（报"不是分组属性"）；数值维度走 group_by_code。
7. 停牌 → 复牌 pct_change 出 ±100%+ 假收益：归因前按 1%/99% 截尾；绝不把 NaN 当 0。
8. 未来函数：标签收益必须 shift(-1)，因子只用过去窗口。
9. scipy 不可用（quantall venv）：Spearman 用 rank() 后 Pearson 代替。
10. 起始市值冻结写法：mcap=d['总市值'].ffill().bfill(); mcap0=mcap.iloc[[0]].reindex(index=mcap.index).ffill()；不要 d['总市值'].iloc[0] 直接当面板。

8. 已验证样例结论（金叉 MA5/20 全市场，5590 只，2024-08-28→2026-08-07）

注：数值随数据库更新会小幅变动（2026-08-30 重测 summary：盈利比率 50.16%、年化均值 +7.72%、夏普 0.187、持仓比 47.1%，方向与历史一致）。

「均线金叉 = 半仓市场 beta + 小盘/波动暴露的趋势策略：制造科技（玻璃/半导体/机械基件）有效、金融消费（白酒/证券/保险）失效；收益集中于 924 行情（局部有效、参数敏感）；无选股 alpha（排序分位 0.5）、不择时（r≈0）；剔除极端股仍稳——属'顺风有效、逆风脆弱、不靠妖股'类。入场因子筛选改善真实但温和（单因子 <1pp，贪心 5 因子 +1.5pp，时间分布均匀），多因子交集展示（Y=1 片段 +5.7% vs 全局 +1.7%）可直观看到优质买点。」

对照（反转策略：20日跌15%买、回0卖）：summary 逐笔 +7.08%（"看似有效"）但连续复利年化 −9.2%——两口径方向相反 = D7 假有效典型；流程可泛化且能区分策略机制。

9. 给全A解析制作人的工具建议

• P0 · 策略收益序列结构化输出：strategy_backtest 返回组合每日收益 Series / 持仓权重矩阵（结构化），使归因直接用引擎精确执行。
• P1 · segments 结构化：返回每片段记录表（stock/entry/exit/return/days），免本地拆段（当前脚本须 run_codes 重算）。
• P1 · timeline 结构化输出：直接返回每日指标 DataFrame，免脚本本地重建。
• P1 · group_by 原生分组：strategy_backtest 加 group_by 参数一次返回分组 summary。
• P2 · detail 增加 IC/IR 时间序列：支撑 IC/IR 时序分析。
• P2 · run_task_file 白名单补 group_by_time：实测白名单缺 group_by_time（分组三工具独缺它），导致时间分组无法经任务文件执行，只能直接 MCP 调用。
• P2 · 确认 use_price 语义：实测 close 与 next_open 的 summary 逐位相同，疑似未流入统计。
• P3 · 解耦预热与基准窗口：区分 warmup_days 与 eval_start。

10. 目录结构

stock-deep-backtest/
├── SKILL.md                  # 本文档（v0.0.0）
├── tasks/                    # 固定调用指令 JSON（11 个，run_task_file 执行）
├── scripts/                  # 深度分析脚本（8 个）+ 因子库 xlsx + 输出
│   ├── data/db_translate.json
│   └── factor-screen-final-50.xlsx   # 50 个清洗因子参考（name/code/IR）
└── archive/                  # 历史归档：SKILL_v0.4 存档、POC 脚本、旧 task JSON